必须构建带记忆与规划能力的多轮任务流：启用memory（绑定唯一threadId）和LLMPlanner；工具需透传上下文（如previous_intent或通过Connector Registry注入）；DAG流程中RouterNode须硬编码分支判断，ForEachNode开启stateful_execution，StateUpdateNode记录执行日志以支持动态调整。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要用AgentKit搭建一个能持续理解上下文、自动拆解目标、分步执行并根据结果动态调整后续动作的智能体，必须绕过简单单步调用的陷阱，直接构建带记忆与规划能力的多轮任务流。这要求你明确区分“工具执行”和“任务状态演进”，否则第二轮请求会丢失前序意图，导致重复提问或错误跳步。
定义支持多轮推理的智能体骨架
在agent.ts中创建基础类，继承BaseAgent并显式启用memory和planner模块：使用new Memory({ backend: 'in-memory' })初始化内存实例，传入memory选项；同时将planner设为LLMPlanner而非NonePlanner——若此处漏掉planner配置，智能体将永远无法把“查天气→订酒店→规划路线”这类复合指令自动分解为子任务链。
这一步不能省略memory的threadId绑定逻辑：每次用户发起新会话时，必须生成唯一threadId并注入到Memory构造参数中，否则不同用户的对话历史会在内存中混杂。
注册带状态感知的工具函数
方法一：封装带上下文透传的工具
编写searchFlights工具时，在其parameters schema中强制加入previous_intent字段（类型为string），并在函数体内用if (args.previous_intent?.includes('budget'))判断是否需过滤低价航班——不加此字段，工具就只能机械响应当前指令，无法承接上一轮用户说的“要便宜一点”这类约束条件。
方法二：用Connector Registry统一注入会话状态
在ConnectorRegistry.register('flight-search')时，通过contextInjector钩子自动把memory.get(threadId, 'user_preferences')注入到工具调用参数中。这种方式避免每个工具都手动写透传逻辑，但要求你在用户首次输入后立刻调用memory.set(threadId, 'user_preferences', extractPreferences(input))提取偏好并存入。
配置动态DAG节点流
第一步：在Agent Builder画布中拖入InputNode作为起点，双击编辑其提示词，明确要求LLM输出JSON格式的{"task_type": "multi-step", "steps": [...]}结构。
第二步：连接RouterNode，为其配置分支规则：当task_type === 'multi-step'时流向PlannerNode，否则直连ToolNode。这个判断必须写在RouterNode的condition字段里，不能靠LLM自由发挥——LLM可能把“订机票”误判为单步，导致跳过规划环节。
第三步：将PlannerNode的输出（即步骤数组）绑定到ForEachNode的items属性，再让ForEachNode逐个触发ToolNode。注意：【ForEachNode必须开启stateful_execution: true】，否则每轮迭代都会丢失前序工具返回的结果，导致“查完天气后无法把温度信息传给穿衣建议工具”。
第四步：在ToolNode执行完毕后，添加StateUpdateNode，用memory.append(threadId, 'execution_log', { step: i, result: output })记录每步输出。这一步是后续ReplannerNode能基于实际结果修正计划的前提。
